陳孟元，孫書(shū)誠(chéng)，王 虎

(安徽工程大學(xué)安徽省電氣傳動(dòng)與控制重點(diǎn)實(shí)驗(yàn)室，安徽蕪湖241000)

尋跡是機(jī)器人自主運(yùn)動(dòng)的關(guān)鍵技術(shù)之一，在現(xiàn)有的多種導(dǎo)航方式中，視覺(jué)導(dǎo)航是穩(wěn)定性較好的方案之一［1］。本文研究對(duì)象為一個(gè)標(biāo)準(zhǔn)汽車(chē)模型，通過(guò)車(chē)載CMOS攝像頭動(dòng)態(tài)獲取路面圖像，在一個(gè)具有特定幾何尺寸約束、摩擦因數(shù)及光學(xué)特性的白色KT板上，利用轉(zhuǎn)向和車(chē)速控制，使智能車(chē)自動(dòng)沿著其中心鋪設(shè)的黑色帶狀引導(dǎo)線行駛，在保證穩(wěn)定性的前提下以最短時(shí)間完成尋跡任務(wù)。

在路徑的識(shí)別方面，一般只考慮均勻光照情況，忽視光照強(qiáng)弱對(duì)圖像采集的影響(光照原因造成的圖像信息的丟失會(huì)降低智能車(chē)判斷路徑的準(zhǔn)確率)［2］。本文在圖像處理中改進(jìn)邊緣檢測(cè)算法，使用動(dòng)態(tài)閾值提高圖像的區(qū)分度，提升了智能車(chē)在前行過(guò)程中因光照強(qiáng)度不均勻引起的圖像特征提取準(zhǔn)確度問(wèn)題。

1 尋跡智能車(chē)硬件設(shè)計(jì)

尋跡智能車(chē)以飛思卡爾公司的MC9S12XS128微處理器為控制核心［3］，硬件包括電源管理模塊、CMOS攝像頭、舵機(jī)轉(zhuǎn)向模塊、電機(jī)驅(qū)動(dòng)模塊、轉(zhuǎn)向/行走電機(jī)和車(chē)速檢測(cè)模塊、PC機(jī)調(diào)試模板等，其中上位機(jī)調(diào)試模板通過(guò)ZigBee無(wú)線通信模塊與PC機(jī)通訊，結(jié)合基于VC環(huán)境開(kāi)發(fā)的應(yīng)用軟件實(shí)現(xiàn)在線綜合調(diào)試和分析功能。智能車(chē)系統(tǒng)總體結(jié)構(gòu)框圖［4］如圖1所示。

圖1 智能車(chē)系統(tǒng)總體結(jié)構(gòu)框圖

智能車(chē)采用MC9S12XS128微處理器作為系統(tǒng)的控制核心，它負(fù)責(zé)控制各個(gè)模塊間的協(xié)調(diào)工作，接收來(lái)自CMOS攝像頭采集的路況信息和速度檢測(cè)模塊反饋的速度信息，采用邊緣檢測(cè)算法對(duì)這些信息進(jìn)行處理，形成合適的控制量對(duì)轉(zhuǎn)向/行走電機(jī)進(jìn)行控制，保證智能車(chē)快速穩(wěn)定地沿指定路徑行駛;同時(shí)通過(guò)異步串口(SCI)把智能車(chē)行駛過(guò)程中的關(guān)鍵參數(shù)應(yīng)用ZigBee無(wú)線通信動(dòng)技術(shù)發(fā)送到PC機(jī)以便實(shí)時(shí)分析。

智能車(chē)系統(tǒng)采用標(biāo)準(zhǔn)車(chē)模7.2 V 2 000 mAh Ni-Cd充電電池進(jìn)行供電，電機(jī)驅(qū)動(dòng)模塊可以用7.2 V充電電池直接供電，CMOS攝像頭、微處理器、舵機(jī)和編碼器等模塊通過(guò)LM2940穩(wěn)壓芯片將7.2 V電壓轉(zhuǎn)換成穩(wěn)定的5 V電壓。

路徑信息采集模塊主要負(fù)責(zé)采集智能車(chē)所處位置的路況信息，輸出相應(yīng)的信號(hào)供微處理器處理。選擇基于 CMOS傳感器的數(shù)字?jǐn)z像頭OV6620，采用邊緣檢測(cè)算法對(duì)其采集到的路面信息進(jìn)行處理，以達(dá)到良好的路徑信息采集效果。

由于路徑情況復(fù)雜，智能車(chē)需要不停地調(diào)整轉(zhuǎn)向以適應(yīng)跑道的變化。舵機(jī)轉(zhuǎn)向模塊為智能車(chē)方向控制執(zhí)行機(jī)構(gòu)。微處理器通過(guò)對(duì)攝像頭采集的路況信息進(jìn)行分析處理，針對(duì)不同的采集信號(hào)對(duì)轉(zhuǎn)向電機(jī)進(jìn)行相應(yīng)的控制，實(shí)現(xiàn)相應(yīng)的轉(zhuǎn)彎要求，從而保證智能車(chē)沿跑道準(zhǔn)確行駛。

電機(jī)驅(qū)動(dòng)模塊作為控制行走電機(jī)轉(zhuǎn)速的執(zhí)行機(jī)構(gòu)，要求能有很好的加速和制動(dòng)性能。智能車(chē)的電機(jī)驅(qū)動(dòng)是利用兩片半橋驅(qū)動(dòng)芯片BST7960構(gòu)成的H橋式驅(qū)動(dòng)電路，為了實(shí)現(xiàn)直流電機(jī)的調(diào)速采用PWM波對(duì)智能車(chē)進(jìn)行控制調(diào)速。

采用歐姆龍E6A2-CS3E光電編碼器對(duì)智能車(chē)當(dāng)前速度進(jìn)行檢測(cè)，反饋傳至微處理器，通過(guò)各種智能算法實(shí)現(xiàn)速度的閉環(huán)控制。

按照以上設(shè)計(jì)方案研制的尋跡智能車(chē)如圖2所示。

2 尋跡智能車(chē)圖像處理

在光線強(qiáng)度不均勻的情況下使用二值法算法處理圖像時(shí)，二值化閾值很難確定，且當(dāng)光線有較小變化時(shí)，圖像就無(wú)法識(shí)別引導(dǎo)線［5］。直接邊緣檢測(cè)算法適合光線變化較弱的情況，當(dāng)光線變化較強(qiáng)時(shí)，圖像像素的灰度值不呈線性變化，這時(shí)此種算法不能清晰分辨圖像引導(dǎo)線。本次設(shè)計(jì)改進(jìn)了邊緣檢測(cè)算法，用動(dòng)態(tài)閾值替代之前的靜態(tài)閾值。動(dòng)態(tài)閾值計(jì)算如式(1)所示［6］。

式中:Y(i)是第i行計(jì)算的動(dòng)態(tài)閾值;X(a)、X(b)分別為第i行白色和黑色像素點(diǎn)的灰度值;λ為取值在0.7～1.0的閾值系數(shù)。將k行的所有白色像素點(diǎn)和l行的所有黑色像素點(diǎn)的灰度值求取幾何平均，再將2個(gè)平均值相減作為下一行的閾值。由于不同的場(chǎng)合光線強(qiáng)度不同，從而閾值也不一樣。采用動(dòng)態(tài)閾值可使得每行的閾值過(guò)渡自然，可更有效地準(zhǔn)確提取圖像中的引導(dǎo)線［7］。

圖2 智能車(chē)實(shí)物

智能車(chē)跑道一般由直道、直角彎道與S型彎道組成，如圖3 所示［8－9］。

圖3 路徑類(lèi)型

圖4(a)、5(a)、6(a)是采集的實(shí)際圖像，中間陰影部分為圖像中黑色引導(dǎo)線，亮處為干擾光斑;圖4(b)、5(b)、6(b)是直接邊緣檢測(cè)的處理圖像;圖4(c)、5(c)、6(c)是改進(jìn)后的邊緣檢測(cè)的處理圖像。通過(guò)圖4～6中比較可以看出，當(dāng)光線強(qiáng)烈改變時(shí)，直接邊緣檢測(cè)算法就無(wú)法分辨出黑線，而改進(jìn)后的邊緣檢測(cè)則能適應(yīng)光線的改變，區(qū)分出道路中的黑線。

圖4 直道圖像處理前后的對(duì)比

圖5 直角彎道圖像處理前后的對(duì)比

圖6 S型彎道圖像處理前后的對(duì)比

3 實(shí)驗(yàn)方案和分析

實(shí)驗(yàn)參數(shù)測(cè)量示意圖如圖7所示，智能車(chē)的幾何中心為示意圖B點(diǎn)所在直線，道路的中心為A點(diǎn)所在直線，其中路徑寬度為50 cm，中間黑色引導(dǎo)線寬度為2.5 cm，智能車(chē)為示意圖中的方塊，攝像頭視野為虛線梯形所示范圍，圖像距車(chē)近端視野寬度是24 cm，最遠(yuǎn)端視野寬度是30 cm。選取圖像中的某一行，測(cè)出視野最左端至視野中心(即車(chē)的幾何中心)的距離m，測(cè)出視野最左端至黑線中心(即道路)的距離n。x(x=|n－m|)為按比例還原后得到的實(shí)際偏差。

圖7 實(shí)驗(yàn)參數(shù)測(cè)量示意圖

經(jīng)實(shí)驗(yàn)測(cè)試可知，智能車(chē)的最高速度可以達(dá)到3.5 m/s。為了獲取更穩(wěn)定的參數(shù)，設(shè)置智能車(chē)以 0.8 m/s、1.2 m/s和 1.6 m/s三種速度運(yùn)行，并分別對(duì)直道、直角彎道和S型彎道3種道路類(lèi)型的偏差進(jìn)行記錄。偏差經(jīng)過(guò)計(jì)算得到均值和方差，均值反映了智能車(chē)偏離黑線中心的遠(yuǎn)近，方差反映了智能車(chē)運(yùn)行的穩(wěn)定狀態(tài)。

尋跡智能車(chē)在均勻光照情況下分別按照直接采集的圖像和經(jīng)過(guò)改進(jìn)邊緣檢測(cè)算法處理后的圖像行駛，獲得的實(shí)驗(yàn)數(shù)據(jù)如表1和表2所示。

表1 尋跡智能車(chē)均勻光照情況下采集圖像的跟蹤誤差

表2 尋跡智能車(chē)均勻光照情況下采集圖像經(jīng)改進(jìn)邊緣檢測(cè)算法處理后的跟蹤誤差

由表1分析可知，當(dāng)智能車(chē)以0.8 m/s速度行駛時(shí)，偏離道路中心位置少，運(yùn)行的狀態(tài)穩(wěn)定，各種道路類(lèi)型均可穩(wěn)定運(yùn)行;當(dāng)智能車(chē)以1.6 m/s速度行駛時(shí)，在直線型的道路上行駛，偏離道路中心仍然較少，能保持良好的運(yùn)行狀態(tài)，但在直角彎道和S型彎道時(shí)，其偏離中心較多，跟蹤誤差較大。在速度相同時(shí)，通過(guò)比較智能車(chē)行駛的偏差均值可知，直角彎道和S型彎道時(shí)偏差較大。為了減小這2種道路類(lèi)型時(shí)的偏差，需對(duì)智能車(chē)進(jìn)行預(yù)測(cè)控制，使智能車(chē)提前轉(zhuǎn)彎。比較智能車(chē)行駛時(shí)的方差可知，彎道的方差較大，反應(yīng)了智能車(chē)運(yùn)行狀態(tài)變化較快，產(chǎn)生了一定的振蕩。針對(duì)這種情況，對(duì)某些彎道進(jìn)行直線化處理，即當(dāng)攝像頭檢測(cè)并判斷出當(dāng)前路徑為直角彎道時(shí)，尋跡智能車(chē)應(yīng)適當(dāng)減速并沿著彎道內(nèi)側(cè)前行以保證智能車(chē)所走的路程最短且增強(qiáng)了穩(wěn)定性;當(dāng)攝像頭檢測(cè)并判斷出當(dāng)前路徑為S型彎道時(shí)，尋跡智能車(chē)應(yīng)沿著S型彎道的中心直線前行。智能車(chē)在不同路徑類(lèi)型的規(guī)劃行走路線如圖8所示［10］。

圖8 智能車(chē)規(guī)劃行走路線

同時(shí)，對(duì)比表1和表2可知，以直角彎道為例，按照直接采集圖像行駛方案，0.8 m/s、1.2 m/s和1.6 m/s速度時(shí)的路徑偏差均方差分別為:11.666 7、20.166 7、26.000 0;按照改進(jìn)邊緣檢測(cè)算法處理后的圖像行駛方案路徑偏差均方差分別為:7.666 7、12.666 7、16.833 3，穩(wěn)定性分別提高了34.2%、37.2%和35.3%。由此可見(jiàn)，在相同道路類(lèi)型和速度下，按照改進(jìn)邊緣檢測(cè)算法處理后的圖像行駛的尋跡智能車(chē)均比按照直接采集圖像行駛的均方差小，穩(wěn)定性好。

尋跡智能車(chē)在光線強(qiáng)度不同情況下分別按照直接邊緣檢測(cè)算法與改進(jìn)邊緣檢測(cè)算法處理后的圖像行駛，獲得的實(shí)驗(yàn)數(shù)據(jù)如表3和表4所示。

對(duì)比表3和表4可知，在相同的道路類(lèi)型和速度情況下，表4中的各項(xiàng)數(shù)據(jù)均優(yōu)于表3。這表明，當(dāng)有外來(lái)光線影響時(shí)，尋跡智能車(chē)采用直接邊緣檢測(cè)算法后可以沿著指定路徑行駛，但偏離黑色中心線較遠(yuǎn)，穩(wěn)定性較差;在采用改進(jìn)邊緣檢測(cè)算法后，智能車(chē)行駛時(shí)接近黑色中心線，穩(wěn)定性有所提高，接近于表2所示的誤差水平，表明通過(guò)使用改進(jìn)后的邊緣檢測(cè)算法，能解決圖像在光照強(qiáng)度不同的情況下引起較大誤差的問(wèn)題，提高了尋跡智能車(chē)的穩(wěn)定性。

表3 尋跡智能車(chē)在光線強(qiáng)度不同情況下經(jīng)直接邊緣檢測(cè)算法處理后的跟蹤誤差

表4 尋跡智能車(chē)在光線強(qiáng)度不同情況下經(jīng)改進(jìn)邊緣檢測(cè)算法處理后的跟蹤誤差

4 結(jié)束語(yǔ)

實(shí)驗(yàn)結(jié)果表明，采用MC9S12XS128單片機(jī)作為控制核心，CMOS攝像頭作為路徑識(shí)別的傳感器，可以充分利用模糊自適應(yīng)PI控制實(shí)現(xiàn)模糊控制算法，具有較好的前瞻性，同時(shí)，根據(jù)道路的不同類(lèi)型采用不同的控制參數(shù)，對(duì)智能車(chē)尋跡起到一個(gè)良好的預(yù)判作用，使智能車(chē)能夠平滑地沿引導(dǎo)線行駛。

在圖象處理方面，通過(guò)在均勻光照與光線強(qiáng)度不同的兩種情況下對(duì)尋跡智能車(chē)分別按照直接采集圖像、直接邊緣檢測(cè)算法與改進(jìn)邊緣檢測(cè)算法處理后的圖像行駛的誤差進(jìn)行對(duì)比，發(fā)現(xiàn)使用改進(jìn)的邊緣檢測(cè)算法能很好地解決圖像受光線影響的問(wèn)題，提高了整個(gè)智能車(chē)的抗干擾能力，使智能車(chē)的平均速度由原來(lái)的1.4 m/s提高到2.1 m/s。

［1］卓晴，黃開(kāi)勝，邵貝貝.學(xué)做智能車(chē)——挑戰(zhàn)飛思卡爾杯［M］.北京:北京航空航天大學(xué)出版社，2007.

［2］許歡，唐競(jìng)新.調(diào)制光尋線系統(tǒng)及其在自動(dòng)行走機(jī)器人中的應(yīng)用［J］.清華大學(xué)學(xué)報(bào):自然科學(xué)版，2002，42(1):115－117，142.

［3］邵貝貝.微處理器嵌入式應(yīng)用的在線開(kāi)發(fā)方法［M］.北京:清華大學(xué)出版社，2004.

［4］安徽工程大學(xué).一種面向路徑識(shí)的遠(yuǎn)程遙控智能車(chē):中國(guó)，201120478840.0［P］.2012 －08 －15.

［5］張?jiān)浦?，師恩義，吳成東，等.基于CCD的智能車(chē)導(dǎo)航系統(tǒng)研究［J］.東北大學(xué)學(xué)報(bào):自然科學(xué)版，2009，30(2):162－165.

［6］鄭建立，黃麗佳，葛鵬飛，等.基于CCD的智能車(chē)尋跡方法［J］.東華大學(xué)學(xué)報(bào):自然科學(xué)版，2008，34(6):728－730.

［7］孫書(shū)誠(chéng)，郎朗，王虎.基于路徑識(shí)別的尋跡智能車(chē)設(shè)計(jì)與實(shí)現(xiàn)［J］.安徽工程大學(xué)學(xué)報(bào)，2012，27(1):60－63.

［8］蘭華，李曉鵬，丁勇竣.智能車(chē)轉(zhuǎn)向系統(tǒng)模糊控制器設(shè)計(jì)研究［J］.傳感器與微系統(tǒng)，2010，29(5):34 －36.

［9］邱鐵，徐子川，江賀.基于模糊控制的智能車(chē)路況識(shí)別［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45(14):213 －216.

［10］游林儒，胡慶華.雙舵機(jī)模糊控制在智能車(chē)控制中的應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2009，45(32):209 －211.